/face_recognition

🍎 My own face recognition with deep neural networks.

Primary LanguagePython

人脸识别

这个仓库是使用TensorFlow 2.0框架，并基于 cvpr2019-arcface 论文上完成的，其中主要分为四大块：人脸检测、人脸矫正、提取特征和特征比对。各个模块的大小和在我的 17 款 macbook-pro 的 CPU 上跑耗时如下：

  • 人脸检测：使用的是 mtcnn 网络，模型大小约 1.9MB，耗时约 30ms；
  • 人脸矫正：OpenCV 的仿射变换，耗时约 0.83ms；
  • 提取特征：使用 MobileFaceNet（或IResNet）网络，耗时约30ms；
  • 特征比对：使用曼哈顿距离，单次搜索和完成比对耗时约 0.011 ms；

注册人脸

注册人脸的方式有两种，分别是:

  1. 打开相机注册:
$ python register_face.py -person Sam -camera

按 s 键保存图片，需要在不同距离和角度拍摄 10 张图片或者按 q 退出。

  1. 导入人脸图片:

保证文件的名字与注册人名相同，并且每张图片只能出现一张这个 ID 的人脸。

$ python register_face.py -person Jay

识别人脸

Method LFW(%) CFP-FP(%) AgeDB-30(%) MegaFace(%) cpu-time weights
MobileFaceNet 99.50 88.94 95.91 --- 35ms 下载链接
IResNet 99.77 98.27 98.28 98.47 435ms 提取码: xgmo

识别模型用的是 MobileFaceNet 网络，这里直接使用了 insightface 在 ms1m-refine-v1 三百万多万张人脸数据集上训练的模型。这部分工作在 mxnet 分支上，你可以通过 git checkout mxnet 进行切换。

由于该模型是 mxnet 格式，因此使用了 mmdnn 导出了其模型权重 mobilefacenet.npy。接着使用了 TF2 自己手写了一个 MobileFaceNet 网络并导入权重，预测精度没有任何损失。这部分工作在 master 分支上。

最后，如果你要识别人脸，可以执行：

$ python main.py